项目代码训练教程-CSDN博客

本文链接：https://blog.csdn.net/weixin_41553159/article/details/125323150

配置好matconvnet后，deep_model下有三个文件夹，分别是我们的方法：FOC_SDeCNN_try和SDeCNN方法：HSI-SDeCNN-train1、2、3

HSI-SDeCNN-train1：用于训练高斯+脉冲，运行文件Demo_training_HSI_SDeCNN开始训练

HSI-SDeCNN-train2：用于训练高斯+脉冲，运行文件Demo_training_HSI_SDeCNN开始训练

HSI-SDeCNN-train3：用于训练高斯+脉冲，运行文件Demo_training_HSI_SDeCNN开始训练

我们的方法-高斯

对于FOC_SDeCNN_try文件夹下，有
在这里插入图片描述
A开头的用于消融实验，不用管，对于高斯噪声，分别是文件夹HSIFOCNetn5more2one、HSIFOCNetn25more2one-best、HSIFOCNetn50more2one、HSIFOCNetn75more2one、HSIFOCNetn100more2one.

HSIFOCNetn5more2one：用于训练噪声水平为5/255，运行Demo_Train_FracDCNN_DAG来训练。

HSIFOCNetn25more2one-best：用于训练噪声水平为25/255，运行Demo_Train_FracDCNN_DAG来训练，其中FracDCNN-wavelet为使用小波的网络，将FracDCNN-wavelet改名为FracDCNN即可使用小波网络来训练。预训练权重：old原始网络，pool忘了（用不上），w-bad表示小波的效果不好。
在这里插入图片描述

HSIFOCNetn50more2one：用于训练噪声水平为50/255，运行Demo_Train_FracDCNN_DAG来训练，其中FracDCNN-nowavelet为原始网络，FracDCNN-wavelet为使用小波的网络，FracDCNN-UNET为使用Unet的网络。预训练权重：db2（有问题），haar表示使用haar小波网络，last表示原始网络。
在这里插入图片描述

HSIFOCNetn75more2one：用于训练噪声水平为75/255，运行Demo_Train_FracDCNN_DAG来训练。

HSIFOCNetn100more2one：用于训练噪声水平为100/255，运行Demo_Train_FracDCNN_DAG来训练，其中FracDCNN-wavelet为使用小波的网络。预训练权重：old原始网络，w为小波网络。
在这里插入图片描述

混合噪声

HSIFOCNet-impulse：训练高斯+脉冲，运行Demo_Train_FracDCNN_DAG来训练，其中FracDCNN-wavelet为使用小波的网络。预训练权重(从上到下)：data表示使用小波的网络，bad和error不用管，old表示原始网络（没有小波）。
在这里插入图片描述

HSIFOCNet-stripe：训练高斯+条纹，运行Demo_Train_FracDCNN_DAG来训练，FracDCNN_onelevel为只使用一个多分辨率特征提取模块的小波网络，FracDCNN-wavelet为使用残差块+小波的网络。预训练权重(从上到下)：27.11表示忘了（用不上）、data-haar表示使用haar小波网络（1和2的区别忘了，看哪个效果好），old表示原始网络（没有小波），RB表示使用残差块+小波的网络，具体用法：修改data-old为data-haar1，将epoch改为40:50，看哪个PSNR最高。
在这里插入图片描述

HSIFOCNet-dead：训练高斯+死线，运行Demo_Train_FracDCNN_DAG来训练，FracDCNN-wavelet为使用残差块+小波的网络。预训练权重：分别表示使用haar小波网络、使用原始网络（没有小波），使用残差块+小波的网络。
在这里插入图片描述
db4文件夹：使用db4网络，训练时间非常长，不建议跑。